基于形態濾波的車輛檢測算法研究*

張足生 陳偉,2 張先才 黃錦旺 陳亮

基于形態濾波的車輛檢測算法研究*

張足生1陳偉1,2張先才1黃錦旺1陳亮3

（1.東莞理工學院網絡空間安全學院，廣東 東莞 523808 2.廣東工業大學計算機學院，廣東 廣州 510006 3.深圳市凱達爾科技實業有限公司，廣東 深圳 518055）

近年來，越來越多的智能停車管理系統采用無線磁阻傳感器網絡技術實現車輛檢測。但該技術面臨磁干擾問題，在干擾環境下，已有的車輛檢測算法精度急劇下降。提出一種基于形態濾波的車輛檢測算法，采用級聯形態開-閉和形態閉-開運算設計濾波器，可有效過濾噪聲干擾，且不會造成車輛磁信號的偏倚現象。實驗結果表明：與已有車輛檢測算法相比，本文算法提高了車輛檢測準確率，檢測精度達到98.5%。

車輛檢測；磁阻傳感器；地磁干擾；形態濾波

0 引言

隨著我國城市化進程不斷加快，機動車保有量急劇增加，城市中心區交通擁堵及停車難問題日趨嚴重，智能交通已成為解決交通瓶頸的有效途徑[1]。無線磁阻傳感器網絡（wireless magnetic sensor networks, WMSN）是低功耗、低成本智能交通信息采集技術的發展趨勢[2]。

WMSN利用車輛對地磁場擾動的檢測原理實現交通信息實時采集、傳感器節點電池供電和無線通信。相較于傳統交通檢測技術：地感線圈[3]、微波雷達[4]、超聲[5-6]、紅外[7]、視頻[8-9]等，WMSN具有低成本、低功耗、小型化等特點，生命周期長達5年以上。基于WMSN可以實現靜態交通管理：對每個停車位進行監控[10-11]，獲得車位的空閑狀態及停車時長，可用于停車誘導、停車計費、反向尋車及違規停車檢測等應用。

然而，WMSN檢測對象“弱磁信號”容易受到干擾。軌道交通是造成地磁場干擾的主要因素之一，很多城市地下有密集的軌道交通系統，如地鐵、高鐵、城際等。在大地電磁學領域，已有一些研究成果可對軌道交通造成的地磁場干擾進行監測。文獻[12]、文獻[13]根據地磁觀測數據分析了地磁噪聲來源，發現主要干擾源是直流電氣化鐵路（地鐵），且地鐵干擾的主要原因是地鐵系統產生的大地漏電電流造成的磁場噪聲。文獻[14]、文獻[15]在高速鐵路系統附近區域部署電磁檢測站，觀測到強烈的磁場干擾。

對于車輛停泊、車流量計數等檢測，在低信噪比情況下，目標信號與干擾信號無法分辨，頻繁出現誤檢和漏檢，致使檢測精度急劇下降。本文基于形態學濾波原理，設計濾波器對干擾信號進行濾波，得到較純凈的車輛磁場信號，再利用閾值機制實現停車檢測。

1 相關工作

基于WMSN實現動態交通及靜態交通檢測主要通過實驗采集樣本磁信號，利用統計分析得出目標信號特征，進而實現檢測機制。Cheung S Y等[16]利用WMSN實現了車輛檢測、車速估計等應用。Kwong K等[17]在路段出入口位置安裝磁阻傳感器，研究節點間磁信號的匹配模型，提出路段交通狀態估計方法。針對車速檢測中，前后放置的磁阻傳感器對同一車輛的感知信號存在扭曲、變形問題，文獻[18]提出一種基于動態時間規整的波形相似度計算方法，提高了車速檢測精度。但這類機制只適用于干凈的磁場環境，沒有考慮磁干擾問題。

有部分學者研究抗干擾檢測機制。崔莉等[19]提出信號相關檢測算法，通過比較理論模型信號與采樣磁場信號的相似性來實現車輛檢測，該方法可對非機動車（自行車、摩托車等）干擾進行排除。文獻[20]利用節點磁場波形與相鄰節點波形進行比較實現停車檢測，也具有一定抗干擾性。文獻[21]將停車過程劃分為駛入、停泊和駛離3個階段，分析各階段的信號變化特征，提取特征變量，利用線性判別函數實現車位狀態的{0,1}二值分類檢測，該方法可以降低鄰近干擾帶來的誤檢。

對于抗干擾檢測問題，一些學者嘗試在磁阻傳感器的基礎上加裝其他類型傳感器進行輔助檢測，如光敏、紅外、超聲、多普勒雷達等輔助傳感器。文獻[22]設計一種磁阻傳感器和光敏傳感器合作工作方式：首先，利用光敏傳感器檢測汽車投下的陰影；然后，喚醒磁阻傳感器進行車輛檢測。文獻[23]針對垂直式停車位車輛檢測準確率低的問題，用光敏傳感器進行輔助判別。這類方案往往在較為理想的干凈環境下有效，而室外道路環境下，傳感器節點布設在地面以下，模具封裝需要考慮到抗壓、防水、防盜等因素，且加裝額外的傳感器導致節點成本、功耗升高。綜合以上因素，目前在室外道路環境下，通過加裝其他類型傳感器解決磁干擾問題不是合適的方案。

目前，有關檢測機制的研究主要集中在干凈磁場環境下的車輛檢測，有少量關于鄰近干擾的檢測機制，但沒有相關研究考慮軌道交通系統地磁場干擾問題，在這類強干擾環境下，已有算法的檢測精度急劇下降，算法適用性差。

2 問題描述

2.1 網絡模型

WMSN模型可抽象為{,,}，其中= {1,2,…,D}為傳感器節點集合；{1,2,…, R}為路由節點集合；為基站節點。在每個停車位的中央安裝1個傳感器節點，如圖1所示。

傳感器節點D利用磁阻傳感器，以為采樣頻率周期性對地磁進行采樣，采樣磁場信號()為

(1)式中，為最近采樣；C()為地球磁場；I()為干擾磁場；V()為車輛磁場；為標識磁傳感器的采樣軸。

圖1 傳感器節點部署

通常磁傳感器具有,,三軸采樣信號。傳感器節點D運行車輛檢測算法。如果車位狀態發生改變，傳感器節點D發送一個事件消息{D,(),()}到基站。

2.2 地磁干擾

經檢測，路邊停車位附近的地磁干擾信號來源于路面下的地鐵。如圖2所示，地鐵系統的基本結構由整流變電站、架空電力線、列車、軌道和地面組成，其中地面和鐵軌形成電流回路。地鐵系統產生磁場的主要類型有：

1）火車本身產生局部磁場；

2）由變電站-架空電力線-列車-軌道組成的環路中牽引電流產生磁場；

3）由于軌道和地面并非完全絕緣，軌道靠近地面，電流從軌道泄漏到地面產生的磁場。

在列車上或列車附近觀察時，第1）和第2）類型的磁場比較明顯。但第3）類型的磁場可對地球磁場產生數十公里的直接影響[24-25]。

圖2 地鐵系統基本結構

在深圳市某地鐵站附近的路邊停車位上，安裝傳感器節點進行信號采集，如圖3所示，地磁場被嚴重干擾。

圖3 地鐵系統產生的磁干擾信號

2.3 問題定義

綜上所述，車輛檢測算法的任務包括：1）分辨出信號是否被干擾；2）對干擾的信號進行除噪處理；3）能準確檢測到車輛存在。該算法可定義為

輸入：

式中，C()為地球磁場，通常在幾公里的范圍內恒定不變，為常量；V()為停車時車輛產生的磁場信號；I()為軌道交通系統產生的地磁干擾信號。

輸出：

1）()=1：在車位空閑期間檢測到車輛存在，車位進入占用狀態。

2）()=0：在車位占用期間檢測到車輛駛出，車位則轉為空閑狀態。

3 車輛檢測算法

由于傳感器節點由電池供電，且微處理器的計算能力及存儲能力極度受限，復雜運算的信號處理方法并不適合，因此本文采用計算簡便的形態濾波器進行去噪。車輛檢測算法的工作流程如圖4所示，對采樣得到的,,三軸原始信號進行信號合成；判斷是否含有干擾信號；若存在干擾信號，則需進行形態濾波器及閾值檢測；否則直接進行閾值檢測。

圖4 車輛檢測算法工作流程圖

3.1 信號融合

車輛停泊在車位時，磁阻傳感器會采集到磁場波動數據信號，采用三軸磁阻傳感器進行周期性數據采集，周期設定為0.1 s。多次車輛停泊的采樣數據如圖5所示。

圖5 車輛停泊時的三軸原始信號

為減少計算復雜度，并綜合反映三軸的變換幅度，將三軸信號融合成一個信號。

式中，B為軸的基線值，在傳感器部署后進行初始化，分別取傳感器開啟后的前50次采樣數據的軸平均值作為B值。

圖5融合后的數據如圖6所示，數據存在大量噪聲，不利于車輛檢測，需將融合后的數據除噪處理。

圖6 三軸融合后的信號

3.2 干擾判別

利用式(4)求窗口為的移動平均值()。

式中，()為三軸融合后的信號；為緩存區的長度；用[]緩存[(),(?1), …,(?+1) ]。

利用式(5)判斷當前值()與移動平均值()的偏離程度，其中1是閾值。用2[]緩存[(),(?1), …,(?+1) ]。統計2[]中() = 1的次數，若次數>2，則表示信號被干擾；如式(6)所示，如果() = 1則表示地鐵系統干擾。

3.3 濾波器設計

輸入信號()關于結構元素()的形態閉與形態開運算分別為

被干擾的信號從形態上通常表現為信號上疊加了一些窄脈沖信號，即很低的波谷與很尖的波峰。形態閉運算可以填平谷，形態開運算可以削去峰。

采用同一類型和尺寸的結構元素，通過不同順序級聯形態開、閉運算[27]，定義形態開-閉()和閉-開濾波器()為

由形態開、閉運算的功能可知，如式(11)、式(12)所示的形態開-閉和形態閉-開濾波器都能去除輸入信號中的正、負脈沖干擾信號。但是，一方面，形態開運算具有收縮性，導致開-閉濾波器輸出的信號變小；另一方面，形態閉運算具有擴展性，導致閉-開濾波器的輸出信號變大。因此，采用單一的形態開-閉或形態閉-開濾波器都可能造成輸出信號存在偏倚現象，從而影響濾波器性能。本文構造的濾波器如式(13)所示，采用級聯形態開-閉和形態閉-開運算，該濾波器用于地磁強干擾噪聲的分離，可有效過濾地鐵系統的噪聲干擾，且不會造成輸出信號的偏倚現象。

3.4 檢測算法偽代碼

基于形態學濾波的車輛檢測算法（morphology filter based algorithm, MFBA）的偽代碼如圖7所示。如果信號存在干擾，則進行形態濾波，()為濾波后的信號。使用閾值對()進行檢測：如果()持續超過閾值次，則判定有車；如果()持續低于閾值次，則判定無車。

圖7 算法偽代碼

4 實驗

磁阻傳感器節點采用STM8L151C8 MCU，集成HMC5883L磁傳感器，無線通信采用Lora SX1278模塊，15 AH鋰電池供電。實驗參數取值如表1所示。

表1 實驗參數

4.1 形態結構選取

形態學濾波器性能與所設計的形態運算組合和結構元素2個因素有關。結構元素的寬度和形態對濾波效果有很大影響。已有研究結果表明[26-27]：有必要選擇與目標信號特性相似的結構元素。在形態濾波中，常用結構元素有三角型、直線型、正弦型、拋物線型等。

三角型結構元素如圖8所示，用如圖6所示信號作為輸入，濾波后的信號如圖9所示。拋物線型結構元素如圖10所示，對圖6所示的信號進行濾波，濾波后的結果如圖11所示。由于待提取車輛的磁場信號與拋物線型結構更相似，從圖11可見拋物線型結構元素的濾波效果比三角型結構元素更好。在后續的實驗中都采用如圖10所示的拋物線型結構元素。

圖8 三角型結構元素

圖9 三角型濾波結果

圖10 拋物線型結構元素

圖11 拋物線型濾波結果

4.2 實驗結果

為測試本文算法的檢測精度，在深圳市某地鐵站附近的路邊停車場實地部署了30個傳感器節點實驗系統，測試場景如圖12所示。該實驗系統持續運行超過5個月，統計的車輛檢測算法的平均精度為98.5%，如表2所示。

圖12 測試場景

表2 車輛檢測統計結果

為方便多種算法的性能比較，磁阻傳感器將原始采樣數據每30個打包成一個數據包并上傳。該封裝方法可減少傳輸沖突和能耗。上位機軟件接收基站上傳的磁場數據，實現數據解析，并將數據存儲在數據庫中。使用C語言實現多種算法。采用從實驗中獲得的原始磁場信號，算法在服務器端運行。將本文算法MFBA與Max_Min[10]和ATA（adaptive threshold algorithm）[16]算法進行性能比較，對比實驗結果如表3所示。

表3 算法性能比較

Max_Min算法基于統計車輛波形的最大值、最少值作為特征變量，設置特定閾值對特征變量進行檢測，檢測精度為85.9%。ATA算法基于閾值和狀態機機制對車輛進行檢測，檢測精度為80.0%。這2種算法對強磁車輛都能成功檢測，但由于沒有濾波功能，導致抗干擾性差，在低信噪比情況下，無法準確實現弱磁信號車輛的檢測。本文算法MFBA對受干擾的信號進行濾波，檢測精度為98.5%，優于Max_Min和ATA算法。

采樣的磁信號如圖13所示。3種算法的檢測結果如圖14所示。ATA和Max_Min算法在37 min時都出現了誤檢。此外，ATA算法在48 min時對一次停車事件產生了漏檢，但MFBA算法正確地檢測到所有停車事件。

圖13 待檢測信號

圖14 3種算法的檢測結果

5 結論

本文提出了抗干擾的停車檢測算法，設計形態濾波器，采用拋物線型結構元素，將受干擾的信號進行濾波，結合閾值檢測機制實現停車檢測算法。實驗結果表明該算法的檢測精度達到98.5%。

[1]郭戈,許陽光,徐濤,等.網聯共享車路協同智能交通系統綜述[J].控制與決策,2019,34(11):2375-2389.

[2] 孫榮麗,王睿,崔莉.交通無線傳感器網絡研究進展[J]. 計算機研究與發展, 2012, 48(S2): 360-366.

[3] Ali S, George B, Vanajakshi L, et al. A multiple inductive loop vehicle detection system for heterogeneous and lane-less traffic [J]. IEEE Transactions on Instrumentation and Measurement, 2011, 61(5): 1353-1360.

[4] Lopez A A, Quevedo A, Yuste F, et al. Coherent signal processing for traffic flow measuring radar sensor [J]. IEEE Sensors Journal, 2018, 18(2): 4803-4813.

[5] Park W, Kim B, Seo D, et al. Parking space detection using ultrasonic sensor in parking assistance system [C]//IEEE Intelligent Vehicles Symposium. IEEE, 2008.

[6] Wu T, Tsai P, Hu N, et al. Research and implementation of auto parking system based on ultrasonic sensors[C]// 2016 International Conference on Advanced Materials for Science and Engineering (ICAMSE). IEEE, 2016.

[7] Li L, Zhang Y, Lv S, et al. Design of intelligent infrared vehicle detect system based on ZigBee[C]// 2015 Chinese Automation Congress (CAC) . IEEE, 2015.

[8] Huang C, Vu H. Vacant parking space detection based on a multilayer inference framework[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2017, 27(9): 2041-2054.

[9] Tschentscher M, Prub B, Horn D. A simulated car-park environment for the evaluation of video-based on-site parking guidance systems [C]//IEEE Intelligent Vehicles Symposium. IEEE, 2017.

[10] Gu J, Zhang Z, Yu F, et al. Design and implementation of a street parking system using wireless sensor networks[C]// IEEE International Conference on Industrial Informatics. IEEE, 2012.

[11] 陳嘉明,張足生,吳曉鸰.基于磁阻傳感器的智能車位鎖停車檢測算法[J].集成技術,2019,8(6):21-30.

[12] Santarelli L, Palangio P, Lauretis M. Electromagnetic background noise at L' Aquila Geomagnetic Observatory [J]. Annales of Geophysicaes, 2014, 57(2): 1153-1161.

[13] Chen C H, Lin C H, Yen H Y, et al. Artificial magnetic disturbance from the mass rapid transit system in Taiwan [J]. Terra Nova, 2017, 29(5): 306-311.

[14] Bellan D, Pignari S A. Monitoring of electromagnetic environment along high-speed railway lines based on compressive sensing [J]. Progress in Electromagnetics Research C, 2015, 58(6): 183-191.

[15] Bellan D, Spadacini G, Fedeli E, et al. Space-frequency analysis and experimental measurement of magnetic field emissions radiated by high-speed railway systems [J]. IEEE Transactions on Electromagnetic Compatibility, 2013, 55(6): 1031-1042.

[16] Cheung S Y, Varaiya P. Traffic surveillance by wireless sensor networks: Final report [R]. Technical report, California PATH, University of California, Berkeley, CA 94720, 2007.

[17] Kwong K, Kavaler R, Rajagopal R, et al. Real-time measurement of link vehicle count and travel time in a road network [J]. IEEE Transactions on Intelligent Transportation Systems, 2010, 11(4): 814-825.

[18] Zhang Z, Zhao T, Ao X, et al. A vehicle speed estimation algorithm based on dynamic time warping approach [J]. IEEE Sensor Journal, 2017, 17 (8): 2456-2463.

[19] Zhang L, Wang R, Cui L. Real-time traffic monitoring with magnetic sensor networks [J]. Journal of Information Science and Engineering, 2011, 27(4): 1473-1486.

[20] Zhu H, Feng S, Yu F. Parking detection method based on finite-state machine and collaborative decision-making [J]. IEEE Sensors Journal, 2018, 18(23): 9829-9839.

[21] Zhang Z, Tao M, Yuan H. A parking occupancy detection algorithm based on AMR sensor [J]. IEEE Sensors Journal, 2015, 15(2): 1261-1269.

[22] Sifuentes E, Casas O, Pallas-Areny R. Wireless magnetic sensor node for vehicle detection with optical wake-up [J]. IEEE Sensors Journal, 2011, 11(8): 1669 - 1676.

[23] Huang Y, Chen Y, You C, et al. Toward an easy deployable outdoor parking system — lessons from long-term deployment[C]// 2017 IEEE International Conference on Pervasive Computing and Communications. IEEE, 2017.

[24] 謝凡,滕云田,胡星星,等.地磁臺站的城市軌道交通干擾的小波抑制方法研究——以天津軌道交通干擾為例[J].地球物理學報,2011,54(10):2698-2707.

[25] 吳利輝,滕云田,王喜珍,等.南京地磁臺地鐵干擾特征分析與抑制處理[J].地震地磁觀測與研究,2009,30(6):32-39.

[26] 劉艷麗,趙為松,李海坤,等.基于形態濾波的脈搏波信號基線漂移消除方法研究[J].合肥工業大學學報(自然科學版),2011,34(4):525-528.

[27] 李晉,湯井田,肖曉,等.基于組合廣義形態濾波的大地電磁資料處理[J].中南大學學報(自然科學版),2014,45(1): 173-185.

Research on Vehicle Detection Algorithm Based on Morphological Filtering

Zhang Zusheng1Chen Wei1,2Zhang Xiancai1Huang Jinwang1Chen Liang3

(1.Dongguan University of Technology, School of Cyberspace Security, Guangzhou 510006, China 2.Guangdong University of Technology, School of Computer Science, Guangzhou 510006, China 3.Shenzhen Cadre Technology Industry Co. Ltd, Shenzhen 518055, China)

In recent years, more and more intelligent parking management systems use wireless magnetic sensor network technology to realize vehicle detection. However, this technology is facing the problem of magnetic interference. Under the interference environment, the vehicle detection accuracy of the existing algorithm drops sharply. This paper proposes a vehicle detection algorithm based on morphological filtering, which uses cascading morphological open-close and close-off operations to design filters. This filter can effectively filter noise without causing bias of the vehicle magnetic signal. The experimental results show that, compared with the existing vehicle detection algorithms, the algorithm in this paper improves the vehicle detection accuracy rate, and the detection accuracy reaches 98.5%.

vehicle detection; magnetic sensor; magnetic interference; morphological filtering

張足生（通信作者），男，1980年生，博士，副研究員，主要研究方向：物聯網。E-mail: zszhang@dgut.edu.cn

陳偉，男，1995年生，碩士研究生，主要研究方向：智能交通。

張先才，男，1995年生，碩士研究生，主要研究方向：物聯網。

黃錦旺，男，1984年生，博士，講師，主要研究方向：數字信號處理。

陳亮，男，1984年生，碩士研究生，工程師，主要研究方向：物聯網。

國家自然科學基金面上項目（61872083）；廣東省自然科學基金項目（2019A1515011123）；東莞理工學院科技產業創新服務專項（2019ZYFWXFD02）。

TP393

A

1674-2605(2020)04-0004-08

10.3969/j.issn.1674-2605.2020.04.004